本篇论文提出了一个使用基于神经网络的协同过滤技术解决推荐系统难题的框架，称为 “NCF”，包括采用多层感知器来学习用户与物品交互功能，实验表明该框架可以显著提高推荐效果。

Aug, 2017

通过基于评论信息的统计和可视化友好工具，构建了透明的概率模型来组织用户和产品的潜在类别，同时在评级预测任务中使用这些可解释的量作为模型输入以实现可比较的预测表现。

Jun, 2024

本文提出了一种基于深度协同神经网络（DeepCoNN）的方法，以利用用户评价中的信息来提高推荐系统的性能，该方法在多个数据集上的实验结果表明，其表现明显优于所有基线推荐系统。

Jan, 2017

本文提出了一种基于矩阵分解的协同过滤框架，旨在针对开放世界推荐系统中遇到的新用户进行归纳式表示学习并取得良好效果。模型使用了注意力机制进行双模型转换，运用神经信息传递技术计算新场景下用户嵌入。实验结果表明，我们的模型可实现在有限的训练数据下，针对新用户的优秀推荐，并具有等效的矩阵因式分解表现。

Jul, 2020

本文介绍了一种使用深度学习方法改进推荐系统表现的模型 - DeepCoNN，即使用神经网络学习目标用户所有评论的一个潜在表示形式，第二个潜在表示与目标物品的所有评论文本匹配，将这些表示组合起来，同时介绍了一种名为 TransNets 的模型，它通过引入表示目标用户 - 目标项目对的额外潜在层来扩展 DeepCoNN 模型，并通过训练时间对此层进行规化，使其类似于目标用户评论的潜在表示，证明 TransNets 及其扩展显着提高了之前的最新状态。

Apr, 2017

本文提出一种将协同过滤视为序列预测问题的解决方案，应用了循环神经网络中的 LSTM 模型，并将其与标准的最近邻和矩阵分解方法在电影推荐方面进行了比较，表明 LSTM 在项目覆盖和短期预测方面具有竞争力，大大优于其他方法。

Aug, 2016

本文提出了一种新的神经网络框架来编码用户和产品信息，并通过注意力机制将两种信息结合起来进行训练和预测，在 IMDB 和 Yelp 的数据集上显著优于其他最先进的方法。通过对用户或产品相关单词的注意力可视化，验证了对两种信息在情感分类中起着不同作用的观察结果。

Jan, 2018

借助大型语言模型（LLMs）预训练的能力来提升推荐系统的性能，采用 LLMs 作为物品编码器，通过 LEARN 框架将开放世界知识与协同知识相结合，以解决冷启动和长尾用户推荐中的性能问题。

May, 2024

为解决个性化基于评论的评分预测中的问题，提出了一种名为 KCF-PLM 的知识感知协同过滤与预训练语言模型的方法，将评论文本、方面、知识图和预训练语言模型结合起来，通过表示传播和用户 - 物品引导关注来模拟用户 - 物品交互，实验证明了 KCF-PLM 的有效性。

Aug, 2023

本文探讨了一种替代方法，不再假设用户未交互的物品一定是消极的，而是假设比用户交互过的物品更不受偏爱，并结合最近提出的神经协同过滤框架和新的分类策略提出了一种基于神经网络的协同排名框架。实验结果表明，相比于几种最先进的方法，我们的方法具有更优异的性能。

Aug, 2018